©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Por que tantos projetos de ciência de dados fracassam

Organizações podem se beneficiar mais das análises sofisticadas identificando e superando cinco obstáculos frequentes

Mayur P. Joshi, Ning Su, Robert D. Austin e Anand K. Sundaram

4 de junho de 2021 e atualizado em 30 de julho de 2024

12 min de leitura

Cada vez mais empresas estão adotando a ciência de dados como atividade ou competência, mas muitas não têm conseguido obter resultados consistentes de seus investimentos em big data, inteligência artificial ou machine learning. Pode-se até dizer que é crescente a distância entre as que usufruem dos benefícios gerados daquelas que ainda lutam para alcançar resultados positivos.

Este artigo se baseia em uma pesquisa sobre iniciativas de ciência de dados de três bancos privados indianos, cujos ativos somam mais de US$ 200 milhões. O estudo incluiu observações in loco, entrevistas semiestruturadas com 57 executivos, gestores e cientistas de dados, além da análise de registros e documentos. Nossa pesquisa identificou os cinco erros de abordagem mais comuns quando se trata de ciência de dados, como se verá a seguir, com sugestões de como evitá-los, segundo os exemplos coletados.